PulseAugur
中
实时 19:35:10
实体 Normalizing Flows

Normalizing Flows

PulseAugur coverage of Normalizing Flows — every cluster mentioning Normalizing Flows across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
16
90 天内 54
发布 · 30天
0
90 天内 0
论文 · 30天
16
90 天内 54
层级分布 · 90 天
主题
情绪 · 30 天

5 天有情绪数据

最近 · 第 1/3 页 · 共 55 条
  1. TOOL · CL_352658 ·

    综述详述流和扩散模型的几何与随机分析

    一篇新的综述论文探讨了流和扩散模型的数学基础,这些模型对于学习和采样高维概率分布至关重要,应用领域包括图像、蛋白质和语言等。论文详细介绍了这些模型如何利用三种不同的几何:数据的状态空间、概率测度的空间以及过程生成的路径空间。文章强调了分部积分和Malliavin微积分在训练这些模型中的核心作用,并将分析扩展到归一化流、流匹配、扩散模型、Schrödinger桥和随机控制。

  2. TOOL · CL_351992 ·

    基于能量的模型统一了多种机器学习方法

    一篇新发表在arXiv上的教程论文,通过基于能量的模型(EBMs)的视角探讨了机器学习。它提出,通过标量能量函数定义分布的EBMs,可以统一各种机器学习方法。该论文详细介绍了能量函数、推理过程和学习方法的选择如何连接不同的模型,包括生成模型如GANs和扩散模型,表示学习技术如对比学习和BERT,以及强化学习方法。

  3. RESEARCH · CL_352327 ·

    Normalizing Flows Framework Advances Quantum Circuit Simulation

    研究人员开发了一个使用归一化流(一种生成模型)来模拟量子电路的新框架。该方法将 N 量子比特状态表示为相空间中的概率分布,允许将酉门参数化为这些分布之间的流。与现有神经网络技术相比,该方法在大系统规模下应用于常见的量子电路家族时,表现出更高的准确性。

  4. RESEARCH · CL_342132 ·

    大型语言模型和深度生成模型提升偏微分方程求解能力

    研究人员开发了使用大型语言模型(LLMs)和深度生成模型求解复杂偏微分方程(PDEs)的新方法。一种名为OpInf-LLM的方法,利用LLMs进行算子推理,即使在未见过参数和边界条件下也能准确预测PDE实例,同时整合自然语言任务规范。另一种方法POD-CNF,结合了本征正交分解(Proper Orthogonal Decomposition)和条件归一化流(Conditional Normalizing Flows),为参数化随机偏微…

  5. RESEARCH · CL_326876 ·

    新的 Rènyi 正则化解决了贝叶斯推理中的模式崩溃问题

    研究人员开发了一种名为 Rènyi-Regularized Flow-Based Variational Inference 的新方法,以解决贝叶斯模型校准中的模式崩溃问题。该技术通过引入基于 Rényi 散度的正则化项来改善后验近似,鼓励近似后验更好地覆盖先验支持。在实验中,该正则化成功将接近崩溃的案例比例从 50% 降低到 25%,尽管它在近似精度方面存在权衡,并且未能完全解决模式崩溃问题。

  6. RESEARCH · CL_325230 ·

    新方法改进了基于代理的模型中的贝叶斯推断

    研究人员开发了用于基于代理的模型(ABM)的贝叶斯推断的新方法,ABM常用于经济学和社会科学领域。第一篇论文介绍了一个名为顺序神经后验估计测试时间训练(SNPE-TTT)的框架,该框架可以适应预训练的神经后验估计器以适应具有有限模拟的新任务。第二篇论文提出了双流神经后验估计(DF-NPE),它使用学习到的时间序列摘要和两个条件归一化流,显著减少了训练所需的直接模拟数量,与标准方法相比,实现了更低的后验差异和运行时间。

  7. TOOL · CL_321876 ·

    研究:表格异常检测中反直觉的似然行为罕见

    一篇新的研究论文探讨了在表格异常检测中,与图像数据相比,反直觉的似然行为(即异常数据获得更高的似然得分)为何罕见。该研究引入了一种与领域无关的表述来定义和评估这种现象。通过在47个表格数据集和13个基线模型上进行的实验,该研究证实了这种行为在表格数据中的罕见性,并表明归一化流在异常检测方面取得了有竞争力的性能。

  8. TOOL · CL_317464 ·

    新的FSKA框架学习非平稳注意力核以实现高效机器学习

    研究人员推出了一种新颖的框架——流式谱核注意力(FSKA),旨在学习非平稳注意力核,以改进机器学习中的自注意力机制。FSKA利用由归一化流参数化的谱密度学习,实现了灵活且可正则化的核学习,该学习与高效的线性注意力计算兼容。该方法通过移除查询-键投影并使用固定的正交值投影来简化注意力架构,从而显著减少了可训练参数,并在分类和可扩展性任务上取得了有竞争力的性能。

  9. TOOL · CL_312908 ·

    新方法量化基于密度的聚类的中的不确定性

    研究人员开发了一种量化基于密度的聚类中不确定性的新方法,通过将鞅后验分布与现代可微分密度估计器(如归一化流)相结合。该方法实现了可扩展的贝叶斯风格不确定性量化,能够对各种与聚类相关的量进行推断。该方法已被证明在图像和单细胞RNA测序数据上有效,提供了有意义的聚类结构,并在单个GPU上高效运行。

  10. TOOL · CL_303584 ·

    归一化流在Blume-Capel模型相图分析中被证明有效 · arXiv论文

    研究人员利用生成模型的一种——归一化流,有效地采样和分析了Blume-Capel模型的连续自旋变体的相图。这项发表在arXiv上的研究表明,这些流模型能够准确地定位一阶和二阶相变以及三临界点,其精度可与传统的蒙特卡洛方法相媲美。研究结果表明,归一化流是探索统计力学中复杂相变的有力工具。

  11. TOOL · CL_299706 ·

    新的NFDiag方法增强了高维MCMC收敛诊断

    研究人员推出了一种新颖的NFDiag方法,用于诊断马尔可夫链蒙特卡洛(MCMC)模拟的收敛性,特别是在高维场景下。与关注边缘分布的传统诊断不同,NFDiag利用归一化流来分析完整的多元联合后验分布。这种方法使其能够检测到与高维链几何相关的收敛问题,即使在Gelman-Rubin统计量等传统统计量失效时也能做到。NFDiag已在高达250维的情况下进行了测试,并被证明是无偏且能有效识别有问题的链质量的。

  12. RESEARCH · CL_294126 ·

    新研究应对AI中的变分推断挑战

    两篇新研究论文解决了变分推断中的挑战,变分推断是一种用于近似复杂概率分布的方法。第一篇论文《MFVI的模式崩溃》(Mode Collapse of Mean-Field Variational Inference)为MFVI中的模式崩溃提供了理论解释,并引入了旋转变分推断(Rotational Variational Inference, RoVI)来改善模式覆盖。第二篇论文《非高斯空间场的稀疏自回归变分推断》(Scalable Sp…

  13. TOOL · CL_286991 ·

    OrthoGen:一种用于时变治疗的新型生成正交学习器

    研究人员开发了 OrthoGen,这是一种新颖的生成正交学习器,旨在估计时变治疗场景下的条件分布潜在结果 (CDPOs)。该方法解决了医疗应用中时变混杂因素带来的挑战,例如预测不同治疗序列下患者的特定风险。OrthoGen 采用生成递归 g 估计调整策略,直接对结果分布进行建模,提供双重稳健性和准最优效率。该框架具有灵活性,能够集成各种生成模型,如正态流和扩散模型,并在合成、半合成和真实世界数据集上证明了其有效性。

  14. TOOL · CL_284711 ·

    复杂模拟模型似然近似的新视角

    研究人员提出了一种利用聚合归一化流链对复杂模拟模型进行似然近似的新视角。该方法旨在促进可扩展的数据分析、高效的参数探索以及用于假设检验和不确定性量化的稳健统计处理。所提出的方法涉及顺序估计双射变换集参数,利用信息论形式化和顺序决策范式来更新和聚合这些参数。

  15. TOOL · CL_295250 ·

    新方法使用归一化流对 SU(N) 格点规范理论进行采样

    研究人员开发了一种使用归一化流在二维格点上采样 SU(N) 规范理论的新颖方法。该方法通过将作用重新表述为全纯变量来解决在格点规范理论中将采样到的劈形图映射到连接变量的挑战。该方法涉及一个条件采样问题,其中劈形图是独立采样的,权重由角点变量的群换位子决定。该技术在 SU(2) 和 SU(3) 理论的各种格点尺寸和耦合上的测试中显示出高接受率和中等有效样本量。

  16. RESEARCH · CL_270914 ·

    扩散模型通过新架构和训练方法取得进展 · 跟踪10个来源

    研究人员正在探索各种领域的先进扩散模型,包括Apple的文本、图像和音频的三模态生成,以及使用扩散模型的无数据训练方法来处理晶格场论。PixelMoE将专家混合引入像素空间扩散,以实现高效扩展,而Bridge Matching Sampler提供了从非归一化密度进行可扩展和稳定的采样。新的基于Transformer的方法使扩散模型能够进行上下文学习,以适应未见过的分布,并且\b-Flow将扩散和基于流的模型泛化到逆问题。此外,Cach…

  17. TOOL · CL_257241 ·

    新框架利用归一化流增强低分辨率图像表示

    研究人员开发了LR2Flow,一个新颖的框架,通过结合小波紧框架和归一化流来增强低分辨率图像表示。该方法旨在保留重要的视觉内容,同时实现原始图像的准确重建。该框架的有效性已通过图像重缩放、压缩和去噪实验得到证明,突显了其鲁棒性以及可逆神经网络在小波紧框架领域的价值。

  18. TOOL · CL_245549 ·

    CDFlow 推出高效可逆层用于生成模型

    研究人员开发了 CDFlow,一种使用循环和对角矩阵为深度生成模型构建可逆层的新方法。该方法降低了矩阵求逆和行列式计算的参数复杂度和计算成本,比传统方法更高效。CDFlow 在图像数据集的密度估计方面表现出色,尤其适用于具有周期性结构的数据,为可扩展的生成模型提供了实际优势。

  19. TOOL · CL_244958 ·

    归一化流用于恢复弱科学信号

    研究人员开发了一种新颖的方法,使用归一化流模型来重建被科学数据中更强的干扰信号所掩盖的弱信号。该技术解决了在尝试减去主导信号时的校准过程中发生的固有失真。通过假设统计不变性和目标信号的最小初始抑制,所提出的框架旨在有效恢复丢失的信号分量。该方法通过理论概述进行了详细介绍,并通过模拟进行了验证。

  20. TOOL · CL_244700 ·

    新的MAGT方法为高维数据提供直接生成式传输

    研究人员推出了一种新颖的生成高维数据的方法——流形对齐生成式传输(MAGT),该方法将数据集中在低维结构附近。与需要迭代去噪的扩散模型或需要可逆映射的标准归一化流不同,MAGT直接将数据从低维基础分布进行传输。该方法在选定的高斯平滑级别上比较数据和生成器诱导的分数,通过重要性采样来近似分数。在合成数据、图像和表格数据上的实验表明,与扩散模型、流匹配和对抗基线相比,MAGT在保真度、支持对齐和采样成本方面都具有有效性。